使用基于深度学习的组织病理图像分析,预测胃癌的临床预后
Long Liu1, Yu Zhang2, Xiao-Hong Zhao3
1Department of Gastroenterology, Taizhou Hospital of Zhejiang Province affiliated to Wenzhou Medical University, Linhai, Zhejiang, China; Department of Hepatobiliary and Pancreatic Surgery, The Second Affiliated Hospital of Zhejiang University School of Medcine, Hangzhou, Zhejiang, China.
Computer methods and programs in biomedicine
|June 13, 2025
概括
一种机器学习病理学模型准确地预测了胃癌患者手术后的整体存活率 (OS). 将该模型与临床数据相结合,可以提高个性化治疗决策的预后准确性.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 胃癌的预后仍然具有挑战性,需要先进的预测工具.
- 准确预测整体存活率 (OS) 对于指导胃癌患者的治疗策略至关重要.
研究的目的:
- 评估基于机器学习的病理学模型,用于预测胃癌患者手术后的OS.
- 评估整合病理学与临床参数的附加值,以提高预后准确度.
主要方法:
- 对160名经过彻底手术的胃癌患者进行了回顾性分析.
- 使用六种机器学习方法开发最佳病理学模型,并计算病理学得分 (Pathscore).
- 构建一个整合Pathscore与临床因素 (年龄,M阶段,TNM阶段) 的nomogram,用于OS预测;使用TCGA和GEO数据库进行验证.
主要成果:
- 基于GBM的病理学模型显示出高预测性能 (1,3年,5年AUC:0.837,0.970,0.963).
- 纳米图结合Pathscore和临床数据实现了优异的OS预测 (1年,3年,5年AUC:0.954,0.939,0.898).
- 生物信息学分析表明,该模型反映了瘤免疫状态和NRP1表达.
结论:
- 机器学习病理学模型对于预测胃癌患者的OS是有效的.
- 将病理学与临床参数相结合,显著提高了预后预测的准确性.
- 这种方法为胃癌管理中的个性化治疗决策提供了可靠的基础.
